CN114997644B - 海上风电场运维调度方法、系统、计算机设备和存储介质 - Google Patents
海上风电场运维调度方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114997644B CN114997644B CN202210618069.5A CN202210618069A CN114997644B CN 114997644 B CN114997644 B CN 114997644B CN 202210618069 A CN202210618069 A CN 202210618069A CN 114997644 B CN114997644 B CN 114997644B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- cost
- wind farm
- offshore wind
- ship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 363
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 101150080778 INPP5D gene Proteins 0.000 description 51
- 239000000243 solution Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013439 planning Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000012486 destroyer solution Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 208000028756 lack of coordination Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了海上风电场运维调度方法、系统、计算机设备和存储介质，通过获取海上风电场的运维监测数据，并将包括风机运维数据、可调配资源数据和海域气象数据的运维监测数据进行抽象聚类得到运维抽象数据，再根据运维抽象数据和运维业务规律，建立海上风电场运维调度模型，以及通过改进的自适应大领域搜索算法求解海上风电场运维调度模型，得到包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本的最优运维调度方案的技术方案，使得海上风电场运维调度更加合理有效，提高运维效率的同时，降低运维总成本，进而有效提升海上风电运维管理水平，为海上风电场的安全平稳运行提供可靠保障。
Description
技术领域
本发明涉及海上风电场技术领域，特别是涉及一种基于自适应大邻域搜索的海上风电场运维调度方法、系统、计算机设备和存储介质。
背景技术
在大力发展新能源的背景下，海上风电因其具有不占用土地资源、不受地形地貌影响、风速更高，风电机组单机容量更大，年利用小时数更高等优点而发展迅速，风电场建设规模不断扩大和出质保风机也成阶跃式増长，随之而来的海上风电场运维需求也不断增加，但独特的海上环境给海上风电场的运维管理带来了重要挑战。
海上风电机组长期运行在动态负载状态和恶劣自然环境下，不仅极易受到恶劣环境以及极端天气的影响，导致风电机组故障率更高，而且运维作业时间窗口有限、风电机组可达性差，运维人员执行运维任务时需要租赁或购买专用的运输船、吊装船和直升机等导致运维成本高，若不及时进行维护还会造成额外的电量损失，间接增加运维成本，很难进行合理有效的运维排程规划；现有海上风电场的运行维护调度主要借鉴陆地模式，尚未基于影响海上风电场运维的多种因素形成系统完善的海上风电运维体系，更无通用有效的运维路径规划方法，若仍沿用传统陆上运维模式，不仅存在因维修不足或维修过度造成海上风电场故障频发的问题，而且因各机组间的运维安排缺乏协调与配合导致运维成本居高不下，难以有效保证海上风电的正常平稳运行。
因此，亟需提供一种能够综合考虑诸多海上风电场运维因素，以及平衡电量损失成本与运维成本，对风电机组运维调度所需资源进行高效合理调度分配的海上风电场运维调度方法。
发明内容
本发明的目的是提供一种海上风电场运维调度方法，通过基于海域气象状况、维修资源、机组停机损失等因素进行抽象类建模得到通用海上风电场运维调度模型，再结合改进的ALNS自适应大领域算法确定海上风电场的最优运维路径，以合理安排海上风电场运维排程计划，提高海上风电场的运维效率的同时，降低运维总成本，进而有效提升海上风电运维管理水平，为海上风电场的安全平稳运行提供可靠保障。
为了实现上述目的，有必要针对上述技术问题，提供了一种海上风电场运维调度方法、系统、计算机设备和存储介质。
第一方面，本发明实施例提供了一种海上风电场运维调度方法，所述方法包括以下步骤：
获取海上风电场的运维监测数据；所述运维监测数据包括风机运维数据、可调配资源数据和海域气象数据；
将所述运维监测数据进行抽象聚类，得到运维抽象数据；所述运维抽象数据包括海上任务点类、驻点类、交通工具类、天气环境类、物品资源类和人员类；
根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型；
求解所述海上风电场运维调度模型，得到最优运维调度方案；所述最优运维调度方案包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本。
第二方面，本发明实施例提供了一种海上风电场运维调度系统，所述系统包括：
数据获取模块，用于获取海上风电场的运维监测数据；所述运维监测数据包括风机运维数据、可调配资源数据和海域气象数据；
抽象聚类模块，用于将所述运维监测数据进行抽象聚类，得到运维抽象数据；所述运维抽象数据包括海上任务点类、驻点类、交通工具类、天气环境类、物品资源类和人员类；
模型创建模块，用于根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型；
方案求解模块，用于求解所述海上风电场运维调度模型，得到最优运维调度方案；所述最优运维调度方案包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种海上风电场运维调度方法、系统、计算机设备及存储介质，通过所述方法，实现了获取海上风电场的运维监测数据，并将包括风机运维数据、可调配资源数据和海域气象数据的运维监测数据进行抽象聚类得到运维抽象数据，再根据运维抽象数据和运维业务规律，建立海上风电场运维调度模型，以及通过改进的自适应大领域搜索算法求解海上风电场运维调度模型，得到包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本的最优运维调度方案的技术方案。与现有技术相比，该海上风电场运维调度方法，能够使得海上风电场运维调度更加合理有效，在提高运维效率的同时，降低运维总成本，进而有效提升海上风电运维管理水平，为海上风电场的安全平稳运行提供可靠保障。
附图说明
图1是本发明实施例中海上风电场运维调度方法的应用场景示意图；
图2是本发明实施例中海上风电场运维调度架构示意图；
图3是本发明实施例中海上风电场运维调度方法的流程示意图；
图4是本发明实施例中改进的ALNS算法的destroy操作和repair操作流程示意图；
图5是本发明实施例中数据风机和码头的位置情况示意图；
图6中a和b分别表示是本发明实施例中海上风电场运维调度模型求解时repair算子初始化生成的初始路径和迭代得到的最优路径的示意图；
图7是本发明实施例中基于改进的ALNS算法求解海上风电场运维调度模型的总成本迭代过程示意图；
图8是本发明实施例中海上风电场运维调度系统的结构示意图；
图9是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的海上风电场运维调度方法可以应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本发明是基于海上风电场运维过程中涉及到的影响因素及部分业务规律为基础开展的包括运维路径规划的运维调度排程，比如服务器可以根据需求获取需要维护的风机信息以及维护相关的资源信息后，按照图2所示的海上风电场运维调度架构按需根据采集到的海上风电场的运维监测数据，基于确定性维护路径问题(MRP)的建模思想进行通用运维调度模型的建模分析实时规划路径，以得到所需的合理运维排程计划用于服务器后续其他研究使用，或将其传送至终端，以供终端使用者接收使用；下述实施例将对本发明的海上风电场运维调度方法进行详细说明。
在一个实施例中，如图3所示，提供了一种海上风电场运维调度方法，包括以下步骤：
S11、获取海上风电场的运维监测数据；所述运维监测数据包括风机运维数据、可调配资源数据和海域气象数据；其中，运维检测数据的获取周期可根据运维调度排程计划进行调整，若一次运维调度排程的时间周期为未来1-5天，则就需要在进行运维调度排程之前，需要采集时采集相应的运维监测数据，并根据采集到的运维监测数据建模分析实时规划路径等，排出未来1-5天的海上风电运维任务调度方案；风机运维数据包括风机经纬度坐标、维护所需技术人员数据、维护所需备件数据、维护成本、维护时间、风机维护截止时间、风机维护惩罚成本、人员与备件转移时间、以及风机维护时是否需要船舶在场等；可调配资源数据包括交通工具数据(每艘船舶的行驶速度、单位油耗、载客量、载重量、购买费用/租赁费用)、维护所需备件零件数据、各类技术人员数据和驻点基地信息(驻点基地的经纬度坐标、可泊位数量、可调用技术人员种类及数量、可用备件种类及数量、可用船舶数量和维护服务的风电场编号)等；海域气象数据包括能见度、是否大雾、是否大雨、风速、浪高和浪涌等，通过天气窗口的大小来进行体现，直接影响船舶离开和返回基地的时间范围；需要说明的是，上述运维监测数据中风机运维数据、可调配资源数据和海域气象数据各自对应的内容可根据实际方法应用需求进行调整，此处不作具体限制；
S12、将所述运维监测数据进行抽象聚类，得到运维抽象数据；所述运维抽象数据包括海上任务点类、驻点类、交通工具类、天气环境类、物品资源类和人员类；其中，抽象聚类可理解为根据实际运维影响因素对运维监测数据进行的抽象类分析，以得到对应的多个抽象数据类，可通过扩充抽象数据类的属性，来扩大运维调度方法的应用场景，进而简单有效地提升方法应用的普适性和可靠性；
海上任务点类可理解为描述需要执行任务的点，包括待执行任务点和任务属性；其中，待执行任务点包括待维护风机，对应任务属性包括任务点坐标、任务编号、任务所需物品种类及数量、任务所需人员及数量、任务所需的船舶类型及数量、任务成本、惩罚成本、截止时间、任务时间长度、以及人员与备件转移时间长度；
驻点类可理解为执行具体任务时所需资源所在的地理位置，包括资源所在位置和资源属性；其中，资源所在位置包括岸上码头和海上驻点，对应的资源属性包括驻点坐标、驻点编号、可停靠交通工具数量、可用技术人员类型及数量、可用物品资源种类及数量和可用交通工具数量；
交通工具类可理解为从驻点到任务点可选用交通方式，包括驻点到任务点的交通方式及交通属性；其中，交通方式包括各种专业船舶；所述交通属性包括交通编号、速度、油耗、载客量和载重量；需要说明的是，原则上交通工具除专业船舶之外，还可包括维护直升机等，具体的采用何种交通工具所影响的仅是对应交通属性的具体内容，不会影响本申请运维调度方法的使用和效果；
天气环境类包括影响运维的环境因素及环境因素属性；其中，环境因素包括海域气象、以及影响交通工具出行和海上运维作业的外界因素，对应的环境因素属性包括能见度、是否大雾、是否大雨、航行时风速、航行时浪高、航行时浪涌和航行时其他情况，最终通过不同船舶的出航时间窗口来表达；
物品资源类包括维修所需设备及设备属性；其中，维修所需设备包括备品备件和维修工具，对应的设备属性包括设备编号、购置成本、类型和重量；
所述人员类包括人员类型和人员属性；其中，人员类型包括巡查人员和维修人员，对应的人员属性包括人员编号、成本和工种；
需要说明的是，上述各个抽象数据类对应的属性内容，可根据实际应用需求进行扩充，此处不作具体限制；
S13、根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型；其中，所述根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型的步骤包括：
根据所述运维抽象数据和运维业务规律，构建运维成本模型和运维约束条件；其中，运维业务规律可理解为实际海上运维任务作业时的一些常规约定，如每个待维护风机只在送出技术人员和接回工作人员时访问；船舶只在风机上进行技术人员的接送，且从接回结点直接返回驻点；每个风机结点的流量守恒，即船舶在一个结点上送出技术人员，就必须在该结点接回技术人员；船舶运输的备件重量不超过其载重量，技术人员的数量不超过船舶载客量；船舶活动的时间范围必须天气窗口内，保证从送出技术人员到接回技术人员之间的时间要大于在风机上执行维护所需的时间；确保船只在维修活动期间需要在场时，直接从出发节点行驶到接回节点；确保维护所需的技术人员数量小于或等于基地中可用的技术人员数量等；在实际建模中可根据需求从实际运维业务规律中选择所需约束，建立对应模型的约束条件，用于建模分析；
运维成本模型可理解为实际执行海上运维任务所涉及的各类成本的计算模型，包括交通工具类成本模型、海上任务类成本模型、人员类成本模型、物品资源类成本模型和惩罚项成本模型，具体表示如下：
交通工具类成本模型表示为：
其中，V和N分别表示船舶集合和待维护风机集合，且出航时码头看作为0号风机，回港时码头看作为n+1号风机；cνij表示编号为v的船舶从第i台待维护风机到第j台待维护风机的路途成本，且路途成本为船舶的油耗与路程的乘积；Xvij表示船舶v是否从第i台待维护风机到第j台待维护风机，当且仅当船舶v从第i台待维护风机到第j台待维护风机时，Xvij＝1，否则为Xvij＝0；
海上任务类成本模型表示为：
其中，mi表示风机i的维护成本；
人员类成本模型表示为：
其中，V、Nv和P分别表示船舶集合、船舶v可访问待维护风机的集合和工种类型集合；tip表示为第i台待维护风机需要第p类工人的数量；sp表示第p类技术人员出行一次维修任务所需支出的费用；
物品资源类成本模型表示为：
其中，S表示备件类型集合；bip表示第i台待维护风机需要第s种类型备件的数量；bs表示第s种类型备件的成本；
惩罚项成本模型表示为：
其中，
表示第i台待维护风机的惩罚成本；/>
表示第i台待维护风机的停机时刻；
与上述运维成本模型对应的运维约束条件包括风机被访问约束条件、船舶接送工作人员约束条件、船舶载重与载人约束条件、环境约束条件、运维时间约束条件、船舶航行约束条件和可调配人员约束条件，具体表示如下：
风机被访问约束条件，可理解为确保每个风机只在送出工作人员时访问一次，在接回工作人员时访问一次，具体表示为：
船舶接送工作人员约束条件表示为：
1)确保船舶从接回结点返回驻点：
2)每个结点的流量守恒，即船舶在一个结点上送出工作人员，就必须在这个结点接回工作人员：
3)确保船舶在风机上进行工作人员的接送：
4)确保船只在维修活动期间需要在场时，直接从出发节点行驶到接回节点：
其中，
表示需要船舶在场的风机集合；
船舶载重与载人约束条件表示为：
1)确保船舶运输的备件重量不超过其载重量：
2)保证船上技术人员的数量不超过船舶载客量：
其中，wi表示维修第i台待维护风机需要的备件重量；
是船舶v的最大载重量；
表示船舶v的载人能力，即能携带的最大人数；ρip表示在第i台待维护风机上进行维护工作的第p种类型技术人员的所需人数；Qvip表示船舶v去第i台待维护风机进行维修活动船上第p种类型技术人员的人数；
环境约束条件可理解为确保船舶活动的时间范围必须天气窗口内，表示为：
其中，Tv0表示船舶v从码头出发的时间；Tv(2n+1)表示船舶v返回到码头的时间；
表示船舶v可以出海的窗口期起点，/>
表示船舶v可以出海的窗口期终点；
运维时间约束条件可理解为保证从送出工作人员到接回工作人员之间的时间要大于在风机上执行维护所需的时间，表示为：
其中，
表示在第i台待维护风机上执行维修任务的时间长度；/>
表示在第i台待维护风机上进行人员与备件转移的时间长度；Tvi表示船舶v去第i台待维护风机上执行维修任务的时间；Tv(n+i)表示船舶v去第i台待维护风机上接回维修任务人员的时间；
可调配技术人员约束条件可理解为确保所需的技术人员数量小于或等于基地中可用的技术人员数量，表示为：
其中，
表示驻点中可用技术人员数量；Qvip表示船舶v去第i台待维护风机i进行维修活动所需要p类型的技术人员的人数。
通过上述方法构建运维成本模型和运维约束条件后，按照以下目标函数构建海上风电场运维调度模型，即期望得到总运维成本最低的运维调度方案：
minZ＝Ztr+Zcm+Ztech+Zpart+Zpenalty
其中，Z、Ztr、Zcm、Ztech、Zpart和Zpenalty分别表示运维总成本、交通工具类成本、海上任务类成本、人员类成本、物品资源类成本和惩罚项成本；
S14、求解所述海上风电场运维调度模型，得到最优运维调度方案；所述最优运维调度方案包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本；其中，海上风电场运维调度模型如上所述为以运维总成本为目标的单目标优化MRP问题，原则上可以采用现有最优化算法求解即可，为了保证运维路径规划求解计算的高效性，以及求得路径规划最优解的合理有效性，本实施例优选采用改进的自适应大邻域搜索算法(ALNS)，通过迭代并有方向地破坏和重建来对海上风电场运维调度模型进行搜索求解，在可接受的计算时间内获得一个良好的解决方案，使得海上风电场运维调度模型中的目标函数最小化，也即总维护成本最小化；具体地，所述求解所述海上风电场运维调度模型，得到最优运维调度方案的步骤包括：
基于改进的自适应大领域搜索算法，求解所述海上风电场运维调度模型的最优解，得到所述最优运维调度方案；其中，改进的自适应大领域搜索算法可以理解为基于路途成本、工人成本、备件成本、惩罚成本、维护成本和总成本等六个角度来考虑ALNS模型的removal算子的构建，在具体的迭代搜索过程中选择出导致成本影响最大的风机进行destroy操作，可在保证运维路径规划合理有效的同时，进一步提高最优解迭代搜索收敛速度，提高最优求解的计算效率，进而有效减少节省实际的运维排程时间；具体地，所述于改进的自适应大领域搜索算法，求解所述海上风电场运维调度模型的最优解的步骤包括：
基于路途成本、工人成本、备件成本、惩罚成本、维护成本和总成本，构建运维调度removal算子；所述运维调度removal算子包括路途成本removal算子、工人成本removal算子、备件成本removal算子、惩罚成本removal算子、维护成本removal算子、总成本removal算子和随机removal算子；其中，路途成本、工人成本、备件成本、惩罚成本、维护成本和总成本可根据运维抽象数据的相应属性计算得到，具体计算方法参考现有技术即可实现，此处不再赘述；
根据所述运维调度removal算子，执行所述改进的自适应大领域搜索算法，搜索所述海上风电场运维调度模型的最优解；其中，运维调度removal算子如上所述包括7种，涉及到多个成本的计算，考虑到各个成本的重要性在一定程度上都会影响模型的求解过程，本实施例优选在实际迭代执行destroy操作，综合考虑均衡各个成本的影响选择合适的算子来执行，具体包括：
预先确定所述路途成本removal算子、工人成本removal算子、备件成本removal算子、惩罚成本removal算子、维护成本removal算子和总成本removal算子分别对应的被选取概率；其中，各个removal算子对应的被选取概率可通过按照经验值或者根据运维实例中各个成本的比例关系来设定对应的被选取概率，且在整个迭代搜索中按照设定的所有被选取概率直接选取待执行removal算子即可，也可以通过预先统计现有运维实例以不同算子进行迭代时的效果最优的比例，并依此比例设定各个removal算子的迭代初始被选取概率，并在迭代的过程中不断的更新不同算子应用效果最优的比例值，并根据更新后的比例值同步调整下轮迭代所用的被选取概率；
通过随机removal算子按照各个被选取概率随机选取任一removal算子作为待执行removal算子，以及根据所述待执行removal算子执行相应的destroy操作。本实施例中设计除六种成本removal算子以外的随机removal算子，用于在迭代搜索过程中选择待执行removal算子执行destroy操作，可以避免限入局部最优解，而无法得到全局最优解的风险，进而保证得到最优运维调度方案的可靠性和合理性。
本实施例中采用改进的自适应大邻域搜索算法(ALNS)的主要步骤如下所示：
其中，S*v由一组即将被船舶v访问的风机组成，R集合为请求集，存储任何船舶未访问的所有风机。起初，所有风机都被指定设置R＝N(第1行)，并设置初始解、初始解情况下的请求集、最优解、当前解(第2-5行)，且以最大迭代次数(IterMax)作为终止标准(第6行)；在每次迭代中，随机选择一个destroy操作，从当前解决方案中只移除一个风机，并将其插入集合R(第7–9行)，且将去掉这个风机之后得到的解作为部分解Sv，属于R集合的每个风机将重新插入部分解决方案Sv以构建新的解决方案(第10–18行)，该过程称为repair操作；最后，将风机
插入到请求集R进行更新，并再对方案/>
进行一次destroy操作(第19-20行)；具体的，下述destroy操作和repair操作流程如图4所示；
在对destroy解的处理中，先找到上一轮中被destroy掉的风机，设置全局成本、路线、船舶编号，同时设置局部路线及其成本，将未被访问的风机一次插入到每条路线，插入每条路线后回得到一些新排列组合路线的集合，再从这一系列集合中以局部路线成本从小到大进行排序，依次找到路线成本小且路线可行的满足可行性约束的局部路线(依次插入每条路线后我们都能得到每个局部最优路线)，并从这几个有限的局部路线中选取最优的路线，最后将未被访问的风机插入到该最优路线中，就完成了repair的操作；同时，在对destroy解的处理中，依次选择每条船舶的局部路线成本，找到局部路线成本最大的船舶路线，确定要破坏掉风机的所属路线；在该路线中，试图判断依次删除每个风机后的路线成本变化大小，选择删除某个风机后路线成本变化最大的风机，且删除某个风机后需要对该路线后的其他风机重新进行排列组合得到一系列新的路线集合，并从这个集合中找到路线成本最低的路线，基于排列组合的角度分析，该destroy操作最终能够找到该路线中导致成本最大化的风机。
本申请实施例给出了通过对包括风机运维数据、可调配资源数据和海域气象数据的海上风电场运维监测数据进行抽象聚类，并结合运维业务规律，基于MRP建模思想将海上风电场运维调度问题转为运维总成本为目标的单目标优化MRP问题，以及采用同时使用多个成本对应的removal算子作为迭代执行destroy操作的算子的ALNS自适应大领域算法，通过迭代并有方向地破坏和重建来对海上风电场运维调度模型进行搜索求解，得到使得海上风电场运维调度模型的目标函数最小化，即总维护成本最小化的最优运维路径和对应的最优结果，以合理安排海上风电场运维排程计划，提高海上风电场的运维效率的同时，降低运维总成本，进而有效提升海上风电运维管理水平，为海上风电场的安全平稳运行提供可靠保障。
为了验证本发明海上风电场运维调度方法的应用效果，本实施例还进行了相应模拟仿真。仿真实验参考某项目部分示例，并考虑了如下表1-5所示的技术人员、备件、海域气象、风机、船舶、码头这6种对象，且数据风机和码头的位置情况如图5所示：有两个码头，其中每个码头负责一种类型的船舶，共有3艘船舶(其中2艘船舶属于同一类型)；每个码头上都配有3种类型的技工各12名；5种类型的备件各20个；风机有2种类型不同程度的故障，故需要2艘不同类型的船舶。在上述背景下，我们的模型目标为求解出各艘船舶的运行路线，以达到总成本(路途成本，工人成本，备件成本，维护成本，惩罚成本)花费最小。
仿真实验基于百度云centos linux7.4系统服务器(1CPU1核)运行实现，经过模型的repair算子初始化后，生成的路径如图6-a所示，可见初始生成的路径比较无规律，错综复杂，且该随机初始化路径对应的总成本为1090.94万元，但经过60次ALNS算法的迭代后，生成如图6-b所示的明显比初始路径更加有序的最优路径和如表6所示的详细结果数据，且对应总成本经过如图7所示的迭代过程，最终降至如表7所示的806.00万元，即经过ALNS算法后成本减少了259.09万元，成本下降23.75％，直接证明了该算法的合理有效性；此外，本实验还基于设置相同的输入条件，对本发明中的ALNS算法与GUROBI求解器精确求解算法进行比较，如表8所示，ALNS算法求解出的结果与精确求解结果的相近，但就迭代收敛得到最优结果的运行时长而言，ALNS算法的运行时间更短一点，进一步证明了本发明所用的改进的ALNS算法搜索的高效性。
表1技工信息表
表2备件信息表
| 编号 | 重量(吨) | 购置成本(万元) | 当前坐标 | |
| 备件1 | part1000 | 5 | 2 | / |
| 备件2 | part1001 | 10 | 3 | / |
| 备件3 | part1002 | 15 | 4 | / |
| 备件4 | part1003 | 20 | 5 | / |
表3船舶信息表
| 编号 | 购买费用(万元) | 租赁费用(万元) | 速度(海里/小时) | 油耗(万元/海里) | ||
| 船舶1 | v1000 | 0 | 2 | 10 | 30.8 | |
| 船舶2 | v1001 | 0 | 2 | 12 | 31 | |
| 船舶3 | v1002 | 0 | 2 | 8 | 29 | |
| 载客量 | 载重量(吨) | 气象情况 | 航行路线 | 出行最早时间 | 到港最晚时间 | |
| 船舶1 | 100 | 120 | / | / | 6 | 21 |
| 船舶2 | 100 | 120 | / | / | 8 | 22 |
| 船舶3 | 100 | 120 | / | / | 5 | 23 |
表4码头信息表
表5风机任务信息表
表6详细结果数据表
表7各项成本数据
| 总成本 | 路途总成本 | 工人总成本 | 备件总成本 | 维护总成本 | 逾时惩罚总成本 |
| 806.00 | 720.64 | 10.4 | 50 | 15.4 | 3.41 |
注：单位为万元
表8 ALNS算法与精确算法求解结果比较
| GUROBI求解器 | ALNS算法 | |
| 总成本(万元) | 787.41 | 806.00 |
| 运行时间 | 0.0189秒 | 0.017秒 |
需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
在一个实施例中，如图8所示，提供了一种海上风电场运维调度系统，所述系统包括：
数据获取模块1，用于获取海上风电场的运维监测数据；所述运维监测数据包括风机运维数据、可调配资源数据和海域气象数据；
抽象聚类模块2，用于将所述运维监测数据进行抽象聚类，得到运维抽象数据；所述运维抽象数据包括海上任务点类、驻点类、交通工具类、天气环境类、物品资源类和人员类；
模型创建模块3，用于根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型；
方案求解模块4，用于求解所述海上风电场运维调度模型，得到最优运维调度方案；所述最优运维调度方案包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本。
关于一种海上风电场运维调度系统的具体限定可以参见上文中对于一种海上风电场运维调度方法的限定，在此不再赘述。上述一种海上风电场运维调度系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图9示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种海上风电场运维调度方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
综上，本发明实施例提供的一种海上风电场运维调度方法、系统、计算机设备及存储介质，其海上风电场运维调度方法实现了获取海上风电场的运维监测数据，并将包括风机运维数据、可调配资源数据和海域气象数据的运维监测数据进行抽象聚类得到运维抽象数据，并结合运维业务规律，基于MRP建模思想将海上风电场运维调度问题转为运维总成本为目标的单目标优化MRP问题，以及采用同时使用多个成本对应的removal算子作为迭代执行destroy操作的算子的ALNS自适应大领域算法，通过迭代并有方向地破坏和重建来对海上风电场运维调度模型进行搜索求解，得到使得海上风电场运维调度模型的目标函数总维护成本最小化的且包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本的最优运维调度方案的技术方案，该方法能够得到合理有效的海上风电场运维排程计划，提高海上风电场的运维效率的同时，降低运维总成本，进而有效提升海上风电运维管理水平，为海上风电场的安全平稳运行提供可靠保障。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种海上风电场运维调度方法，其特征在于，所述方法包括以下步骤：
获取海上风电场的运维监测数据；所述运维监测数据包括风机运维数据、可调配资源数据和海域气象数据；
将所述运维监测数据进行抽象聚类，得到运维抽象数据；所述运维抽象数据包括海上任务点类、驻点类、交通工具类、天气环境类、物品资源类和人员类；
根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型；
求解所述海上风电场运维调度模型，得到最优运维调度方案；所述最优运维调度方案包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本；
其中，所述根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型的步骤包括：
根据所述运维抽象数据和运维业务规律，构建运维成本模型和运维约束条件；所述运维成本模型包括交通工具类成本模型、海上任务类成本模型、人员类成本模型、物品资源类成本模型和惩罚项成本模型；所述运维约束条件包括风机被访问约束条件、船舶接送工作人员约束条件、船舶载重与载人约束条件、环境约束条件、运维时间约束条件、船舶航行约束条件和可调配人员约束条件；
在所述运维约束条件下，基于所述运维成本模型，按照以下目标函数构建所述海上风电场运维调度模型：
min Z＝Ztr+Zcm+Ztech+Zpart+Zpenalty
其中，Z、Ztr、Zcm、Ztech、Zpart和Zpenalty分别表示运维总成本、交通工具类成本、海上任务类成本、人员类成本、物品资源类成本和惩罚项成本；
所述交通工具类成本模型表示为：
其中，V和N分别表示船舶集合和待维护风机集合，且出航时码头看作为0号风机，回港时码头看作为n+1号风机；Cvij表示编号为v的船舶从第i台待维护风机到第j台待维护风机的路途成本，且路途成本为船舶的油耗与路程的乘积；Xvij表示船舶v是否从第i台待维护风机到第j台待维护风机，当且仅当船舶v从第i台待维护风机到第j台待维护风机时，Xvij＝1，否则为Xvij＝0；
所述海上任务类成本模型表示为：
其中，mi表示风机i的维护成本；
所述人员类成本模型表示为：
其中，V、Nv和P分别表示船舶集合、船舶v可访问待维护风机的集合和工种类型集合；tip表示为第i台待维护风机需要第p类工人的数量；sp表示第p类技术人员出行一次维修任务所需支出的费用；
所述物品资源类成本模型表示为：
其中，S表示备件类型集合；bip表示第i台待维护风机需要第s种类型备件的数量；bs表示第s种类型备件的成本；
所述惩罚项成本模型表示为：
其中，
表示第i台待维护风机的惩罚成本；/>
表示第i台待维护风机的停机时刻；
所述风机被访问约束条件表示为：
所述船舶接送工作人员约束条件表示为：
其中，
表示需要船舶在场的风机集合；
所述船舶载重与载人约束条件表示为：
其中，Wi表示维修第i台待维护风机需要的备件重量；
是船舶v的最大载重量；/>
表示船舶v的载人能力，即能携带的最大人数；ρip表示在第i台待维护风机上进行维护工作的第p种类型技术人员的所需人数；Qvip表示船舶v去第i台待维护风机进行维修活动船上第p种类型的技术人员的人数；
所述环境约束条件表示为：
其中，Tv0表示船舶v从码头出发的时间；Tv(2n+1)表示船舶v返回到码头的时间；
表示船舶v可以出海的窗口期起点；/>
表示船舶v可以出海的窗口期终点；
所述运维时间约束条件表示为：
其中，
表示在第i台待维护风机上执行维修任务的时间长度；/>
表示在第i台待维护风机上进行人员与备件转移的时间长度；Tvi表示船舶v去第i台待维护风机上执行维修任务的时间；Tv(n+i)表示船舶v去第i台待维护风机上接回维修任务人员的时间；
所述可调配技术人员约束条件表示为：
其中，
表示驻点中可用技术人员数量；Qvip表示船舶v去第i台待维护风机i进行维修活动所需要p类型的技术人员的人数。
2.根据权利要求1所述的海上风电场运维调度方法，其特征在于，所述海上任务点类包括待执行任务点和任务属性；所述待执行任务点包括待维护风机；所述任务属性包括任务点坐标、任务编号、任务所需物品种类及数量、任务所需人员及数量、任务所需的船舶类型及数量、任务成本、惩罚成本、截止时间、任务时间长度、以及人员与备件转移时间长度；
所述驻点类包括资源所在位置和资源属性；所述资源所在位置包括岸上码头和海上驻点；所述资源属性包括驻点坐标、驻点编号、可停靠交通工具数量、可用技术人员类型及数量、可用物品资源种类及数量和可用交通工具数量；
所述交通工具类包括驻点到任务点的交通方式及交通属性；所述交通方式包括各种专业船舶；所述交通属性包括交通编号、速度、油耗、载客量和载重量；
所述天气环境类包括影响运维的环境因素及环境因素属性；所述环境因素包括海域气象、以及影响交通工具出行和海上运维作业的外界因素；所述环境因素属性包括能见度、是否大雾、是否大雨、航行时风速、航行时浪高和航行时浪涌；
所述物品资源类包括维修所需设备及设备属性；所述维修所需设备包括备品备件和维修工具；所述设备属性包括设备编号、购置成本、类型和重量；
所述人员类包括人员类型和人员属性；所述人员类型包括巡查人员和维修人员；所述人员属性包括人员编号、成本和工种。
3.如权利要求1所述的海上风电场运维调度方法，其特征在于，所述求解所述海上风电场运维调度模型，得到最优运维调度方案的步骤包括：
基于改进的自适应大邻域搜索算法，求解所述海上风电场运维调度模型的最优解，得到所述最优运维调度方案。
4.如权利要求3所述的海上风电场运维调度方法，其特征在于，所述基于改进的自适应大邻域搜索算法，求解所述海上风电场运维调度模型的最优解的步骤包括：
基于路途成本、工人成本、备件成本、惩罚成本、维护成本和总成本，构建运维调度removal算子；所述运维调度removal算子包括路途成本removal算子、工人成本removal算子、备件成本removal算子、惩罚成本removal算子、维护成本removal算子、总成本removal算子和随机removal算子；
根据所述运维调度removal算子，执行所述改进的自适应大邻域搜索算法，搜索所述海上风电场运维调度模型的最优解。
5.如权利要求4所述的海上风电场运维调度方法，其特征在于，所述根据所述运维调度removal算子，执行所述改进的自适应大邻域搜索算法，搜索所述海上风电场运维调度模型的最优解的步骤包括：
预先确定所述路途成本removal算子、工人成本removal算子、备件成本removal算子、惩罚成本removal算子、维护成本removal算子和总成本removal算子分别对应的被选取概率；
通过随机removal算子按照各个被选取概率随机选取任一removal算子作为待执行removal算子，以及根据所述待执行removal算子执行相应的destroy操作。
6.一种海上风电场运维调度系统，其特征在于，能够执行如权利要求1所述的海上风电场运维调度方法，所述系统包括：
数据获取模块，用于获取海上风电场的运维监测数据；所述运维监测数据包括风机运维数据、可调配资源数据和海域气象数据；
抽象聚类模块，用于将所述运维监测数据进行抽象聚类，得到运维抽象数据；所述运维抽象数据包括海上任务点类、驻点类、交通工具类、天气环境类、物品资源类和人员类；
模型创建模块，用于根据所述运维抽象数据和运维业务规律，建立海上风电场运维调度模型；
方案求解模块，用于求解所述海上风电场运维调度模型，得到最优运维调度方案；所述最优运维调度方案包括任务点运维计划及成本、交通工具运维路线及成本、人员排班及成本、运维资源成本和运维惩罚成本。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210618069.5A CN114997644B (zh) | 2022-05-31 | 2022-05-31 | 海上风电场运维调度方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210618069.5A CN114997644B (zh) | 2022-05-31 | 2022-05-31 | 海上风电场运维调度方法、系统、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114997644A CN114997644A (zh) | 2022-09-02 |
| CN114997644B true CN114997644B (zh) | 2023-05-26 |
Family
ID=83031555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210618069.5A Active CN114997644B (zh) | 2022-05-31 | 2022-05-31 | 海上风电场运维调度方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997644B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660375A (zh) * | 2022-11-16 | 2023-01-31 | 苏交控如东海上风力发电有限公司 | 一种海上风电运维的调度方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505931A (zh) * | 2021-07-19 | 2021-10-15 | 温州大学 | 一种基于遗传算法的充电机器人动态调度优化方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104981745A (zh) * | 2013-02-15 | 2015-10-14 | 斯凯孚公司 | 状况监视系统以及因此的访问控制 |
| CN110175684A (zh) * | 2019-05-30 | 2019-08-27 | 上海电力学院 | 一种海上风电场运维方法及装置 |
| CN111310972B (zh) * | 2020-01-17 | 2022-06-03 | 上海电力大学 | 一种考虑尾流效应的海上风电机组维护路径随机规划方法 |
| CN113496293A (zh) * | 2021-06-24 | 2021-10-12 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种海上风电场运维方案生成方法及装置 |
| CN113469379A (zh) * | 2021-06-24 | 2021-10-01 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于大数据中心的海上风电场运维管理方法及装置 |
-
2022
- 2022-05-31 CN CN202210618069.5A patent/CN114997644B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505931A (zh) * | 2021-07-19 | 2021-10-15 | 温州大学 | 一种基于遗传算法的充电机器人动态调度优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114997644A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yau et al. | Towards smart port infrastructures: Enhancing port activities using information and communications technology | |
| Huang et al. | Dynamic calculation of ship exhaust emissions based on real-time AIS data | |
| Dalgic et al. | Advanced logistics planning for offshore wind farm operation and maintenance activities | |
| WO2020176379A1 (en) | Multi-agent reinforcement learning for order-dispatching via order-vehicle distribution matching | |
| Awad-Núñez et al. | How should the sustainability of the location of dry ports be measured? A proposed methodology using Bayesian networks and multi-criteria decision analysis | |
| Adeniran | Impacts of the fourth industrial revolution on transportation in the developing nations | |
| CN114997644B (zh) | 海上风电场运维调度方法、系统、计算机设备和存储介质 | |
| CA2767316A1 (en) | Fuel delivery cost estimation system | |
| CN110046857A (zh) | 一种基于遗传算法的无人机物流系统及配送方法 | |
| Tao et al. | A bi-objective optimization for integrated truck operation and storage allocation considering traffic congestion in container terminals | |
| CN114997645B (zh) | 海上风电场运维排程优化方法、系统、计算机设备和介质 | |
| CN110047330A (zh) | 航海数据的处理方法、用户设备、存储介质及装置 | |
| Valeev et al. | Large scale system management based on Markov decision process and big data concept | |
| Huang | A mathematical modeling and an optimization algorithm for marine ship route planning | |
| Ayele et al. | Spare part transportation management in High North | |
| Tadić et al. | Sustainability of the city logistics initiatives | |
| CN113822620A (zh) | 用于海上风电机组设备物流运输的监管方法、设备及介质 | |
| Mazzarino et al. | On the digitalisation processes in the adriatic region | |
| Chu et al. | Vessel turnaround time prediction: A machine learning approach | |
| Meilin et al. | Location and allocation problem for spare parts depots on integrated logistics support | |
| Xue et al. | Vessel-uav collaborative optimization for the offshore oil and gas pipelines inspection | |
| Medina et al. | A distributed simulation model of the maritime logistics in an iron ore supply chain management | |
| CN110880049A (zh) | 区域级多风场运维排程方法和系统 | |
| CN113177690B (zh) | 海上风电场运维调度方法、系统、计算机设备和存储介质 | |
| Kaderi et al. | Automated management of maritime container terminals using internet of things and big data technologies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |